【盲源分離技術(shù)在機(jī)械故障診斷中的應(yīng)用3000字】

盲源分離技術(shù)在機(jī)械故障診斷中的應(yīng)用目錄TOC\o"1-3"\h\u19252盲源分離技術(shù)在機(jī)械故障診斷中的應(yīng)用 1175281.1機(jī)械故障診斷的必要性 173481.2盲源分離在機(jī)械故障診斷應(yīng)用的發(fā)展現(xiàn)狀 11.1機(jī)械故障診斷的必要性隨著社會(huì)的快速發(fā)展，機(jī)械設(shè)備的功能越來(lái)越完善，系統(tǒng)結(jié)構(gòu)也越來(lái)越復(fù)雜。先進(jìn)的現(xiàn)代化設(shè)備固然提高了生產(chǎn)率，但設(shè)備的安全性能也變得越來(lái)越高，復(fù)雜的工作關(guān)系使得任何部件或設(shè)備系統(tǒng)故障將產(chǎn)生重大影響，輕則閑置工廠和工人，重則導(dǎo)致機(jī)器停擺，一旦發(fā)生事故和危險(xiǎn)，造成的損失將會(huì)更大。因此，監(jiān)測(cè)機(jī)械設(shè)備的運(yùn)行狀態(tài)，并在故障發(fā)生時(shí)及時(shí)判斷故障是十分必要的。當(dāng)今社會(huì)是以工業(yè)化生產(chǎn)為基礎(chǔ)的現(xiàn)代社會(huì)，機(jī)械設(shè)備是保障社會(huì)運(yùn)轉(zhuǎn)和高生產(chǎn)力的組成要素。而隨著科技發(fā)展和日益迫切的生產(chǎn)力要求，機(jī)械設(shè)備的發(fā)展趨勢(shì)是裝備大型化、集成化、智能化，設(shè)備的組件越來(lái)越多，系統(tǒng)也越來(lái)越精密，這就導(dǎo)致工業(yè)生產(chǎn)環(huán)境極其復(fù)雜?，F(xiàn)代機(jī)械系統(tǒng)有以下幾個(gè)特點(diǎn)：隨著機(jī)械系統(tǒng)功能的增加，各工作單元之間的關(guān)系越來(lái)越復(fù)雜，導(dǎo)致影響設(shè)備安全性能的因素越來(lái)越多;機(jī)械系統(tǒng)的結(jié)構(gòu)越來(lái)越復(fù)雜，規(guī)模越來(lái)越大，設(shè)備的成本越來(lái)越高;現(xiàn)代機(jī)械系統(tǒng)越來(lái)越趨向于系統(tǒng)的最終效率和速度，安全風(fēng)險(xiǎn)的數(shù)量也在增加。一旦發(fā)生機(jī)械故障，損失造成的連鎖效應(yīng)是非常驚人的?，F(xiàn)代機(jī)械系統(tǒng)在社會(huì)生產(chǎn)中地位越重要，其運(yùn)行穩(wěn)定與否對(duì)社會(huì)的影響更加顯著。1.2盲源分離在機(jī)械故障診斷應(yīng)用的發(fā)展現(xiàn)狀目前，國(guó)內(nèi)外最常用的故障診斷方法主要集中在無(wú)損診斷技術(shù)上，如機(jī)械裝備振動(dòng)過(guò)程監(jiān)測(cè)與故障診斷技術(shù)、油液設(shè)備運(yùn)行分析與故障診斷、倉(cāng)儲(chǔ)溫度穩(wěn)定檢測(cè)與故障診斷等。最廣泛使用的診斷技術(shù)是利用傳感器，首先測(cè)量機(jī)械設(shè)備的振動(dòng)參數(shù)，然后對(duì)數(shù)據(jù)在時(shí)域上進(jìn)行波形分析，以此計(jì)算出設(shè)備振動(dòng)的位移、速度、加速度、相位，然后通過(guò)振動(dòng)頻譜分析技術(shù)，以及共振解調(diào)分析對(duì)信號(hào)進(jìn)行分析和處理，獲得故障的頻譜信息，并確定故障的類型。在信號(hào)分析處理方面，我國(guó)已經(jīng)逐步引入了小波變換、短期傅里葉變換、頻譜分析等現(xiàn)代處理方法，但這些處理方法有很大的局限性，當(dāng)信號(hào)特征為非線性、非平穩(wěn)時(shí)，這些方法就不能很好的發(fā)揮作用。因此，急需更加先進(jìn)準(zhǔn)確的信號(hào)處理方法來(lái)對(duì)機(jī)械設(shè)備進(jìn)行運(yùn)行監(jiān)測(cè)和故障診斷。在此大背景下，由于盲源分離(BSS)具有即便缺失先決條件的狀況下，也能從有限的觀測(cè)信號(hào)中分離出原始信號(hào)，因此掀起了研究的熱潮，并且現(xiàn)已取得的成果，在某系工況環(huán)境下的機(jī)械故障中，取得了不錯(cuò)的效果。當(dāng)然，盲源技術(shù)還存在很多未解決或者未完善的問(wèn)題，尤其是一些復(fù)雜工況下，盲源分離的性能還需要提升。上世紀(jì)90年代，盲源分離算法首次大展身手，是在機(jī)械滾動(dòng)軸承領(lǐng)域。Gaeta等人利用盲源分離算法，提取了來(lái)自多個(gè)傳感器收集的振動(dòng)觀測(cè)信號(hào)，實(shí)現(xiàn)機(jī)械振動(dòng)信號(hào)的提取，在窄信道中實(shí)現(xiàn)對(duì)兩個(gè)頻率相近的譜線進(jìn)行分離。這一方法得到了其他學(xué)者的推廣。為了便于處理，張?jiān)圃诿ぴ捶蛛x中加入Hilbert-Huang變換，由此將觀測(cè)得到的機(jī)械信號(hào)的局部波形特征可以從時(shí)域變換到頻域，然后對(duì)觀測(cè)信號(hào)進(jìn)行處理，實(shí)現(xiàn)了非平穩(wěn)機(jī)械信號(hào)的分離。DejieYu等人研究了齒輪故障時(shí)的振動(dòng)情況，發(fā)現(xiàn)故障下信號(hào)能量在時(shí)頻平面上的分布與正常運(yùn)行狀態(tài)時(shí)有很大差別，在這個(gè)基礎(chǔ)上，創(chuàng)新性的介紹了時(shí)頻熵的概念，通過(guò)判斷故障信號(hào)含有的能量的分布特征狀態(tài)，進(jìn)行希爾伯特變換得到原始信號(hào)。在故障類型提取與分門類識(shí)別判斷方面，朱建渠等人提出利用諧波小波包分解的良好特性，步驟上先對(duì)各種故障信號(hào)實(shí)現(xiàn)多層分解，然后著重提取那些代表了各類故障的頻帶能量，并將能量作為故障種類的特征向量，最后拿著所得故障信號(hào)的特征向量，與提前建立的故障信息庫(kù)中的故障特征向量對(duì)比，把差別最小的作為所檢測(cè)信息的故障類型，從而提取了故障。伴隨著更加深入的研究，盲源分離算法在機(jī)械故障診斷中的應(yīng)用范圍將越來(lái)越大。具體研究方向及相應(yīng)的研究方法可以簡(jiǎn)單歸納為以下幾個(gè)方面：（1）機(jī)械故障源盲分離研究AlexanderYpma等學(xué)者以旋轉(zhuǎn)的機(jī)械振動(dòng)信號(hào)為對(duì)象，重點(diǎn)研究了與聲音信號(hào)的組合混疊模式，選取了二階和高階信息量的方法將其分離開來(lái)。還有學(xué)者，對(duì)ICA進(jìn)行改進(jìn)，突破了非線性的限制，加入自適應(yīng)的要素，實(shí)現(xiàn)算法對(duì)齒輪故障的診斷功能。Gelle采集了兩臺(tái)電機(jī)的振動(dòng)信號(hào)，從中分離出了軸承的故障信號(hào)，取得了不錯(cuò)的效果。吳俊彪在所發(fā)表的論文中，其瞬間混疊模型的實(shí)驗(yàn)方法減小了信號(hào)采集過(guò)程中對(duì)監(jiān)測(cè)信號(hào)的影響，消除了其他隨機(jī)信號(hào)的干擾。焦衛(wèi)東提出了一種根據(jù)PCA-ICA的無(wú)監(jiān)督盲源分離識(shí)別方法，解決了強(qiáng)擾動(dòng)對(duì)瞬時(shí)混合模型中信號(hào)源分離影響較大的問(wèn)題。鐘振茂主要利用音頻信號(hào)含有豐富的機(jī)械運(yùn)行信息，開展了相關(guān)的機(jī)械故障盲分離研究。王宇建立了塊體模型，用盲反褶積方法，可以遙遠(yuǎn)觀測(cè)機(jī)械故障的聲源信號(hào)。（2）機(jī)械故障特征提取的研究衛(wèi)東等研究了基于獨(dú)立分量分析和殘差互信息的多通道信息壓縮方法，并將ICA與小波法組合起來(lái)進(jìn)行研究，在對(duì)泵軸承運(yùn)行測(cè)量一系列信號(hào)的基礎(chǔ)上，來(lái)提取出被隱藏于觀測(cè)信號(hào)中的源信號(hào)的調(diào)制信息。特征矩陣的聯(lián)合近似對(duì)角化方法也是一個(gè)很好的算法，比如吳俊彪便利用jade法從觀測(cè)信號(hào)中分離出了機(jī)器運(yùn)轉(zhuǎn)的源源信號(hào)和故障信號(hào)。葉宏賢針對(duì)高階多源機(jī)械振動(dòng)的問(wèn)題，將源信號(hào)處于卷積混合狀態(tài)的信號(hào)信息，進(jìn)行了分離，從而開拓了機(jī)械振動(dòng)中多源信號(hào)相卷積混合如何提取的問(wèn)題。青永剛主要針對(duì)瞬態(tài)下的混合模型，采用ICA，成功的從機(jī)械含噪聲源中提取出了故障特征。REF_Ref12629\r\h[5]（3）故障診斷中非平穩(wěn)信號(hào)的盲分離研究在機(jī)械設(shè)備運(yùn)行過(guò)程中，會(huì)存在干擾設(shè)備運(yùn)行的多種未知狀況，次數(shù)比較多的有，轉(zhuǎn)速發(fā)生不穩(wěn)定、負(fù)載端壓力變化、機(jī)械變形導(dǎo)致設(shè)備沖擊摩擦等，這也就導(dǎo)致了工況現(xiàn)場(chǎng)部署的傳感器檢測(cè)到的振動(dòng)信號(hào)也是非平穩(wěn)的，信號(hào)中的頻率分量隨時(shí)間不斷的發(fā)生變化。郝志華等采用瞬時(shí)混合盲分離模型，將時(shí)域和頻域一起納入分析的范圍中，采用聯(lián)合對(duì)角化，即jade法研究非平穩(wěn)信號(hào)下如何才能進(jìn)行盲分離。張?jiān)频热怂伎紡木植繒r(shí)間譜的角度出發(fā)，借助于EMD分解和Hilbert變換，來(lái)研究非平穩(wěn)信號(hào)的盲分離過(guò)程，并成功的分離出故障源特征。李順明針對(duì)強(qiáng)噪聲轉(zhuǎn)子系統(tǒng)的振動(dòng)信號(hào)如何進(jìn)行盲分離問(wèn)題，思考采用二階非平穩(wěn)盲分離方法來(lái)實(shí)現(xiàn)功能，并進(jìn)而利用SONS算法獲得所分離的振動(dòng)源的頻譜，有效抑制噪聲。（4）機(jī)械振動(dòng)源源信號(hào)數(shù)目估計(jì)在完備的條件下，對(duì)于傳感器的觀測(cè)信號(hào)數(shù)目m大于源信號(hào)數(shù)目n的情況，李廣標(biāo)用四階累積量計(jì)算的瞬時(shí)混合模型來(lái)識(shí)別信號(hào)源的數(shù)目。另外，奇異值分解（SVD）來(lái)估計(jì)不相關(guān)源數(shù)的方法固然有效，但過(guò)程中不可避免的存在數(shù)據(jù)誤差，對(duì)精度有所要求，于是侯建對(duì)算法過(guò)程中的譜估計(jì)存在數(shù)值誤差和不確定性等情況，提出了對(duì)奇異值分解（SVD）進(jìn)行多個(gè)源信號(hào)聚類處理的方法。該方法創(chuàng)新性的利用聚類分析的優(yōu)良特性，解決了之前SVD中鄰近選擇會(huì)對(duì)分析結(jié)果造成干擾的問(wèn)題。此外，每個(gè)奇異值的類內(nèi)外離散化，還可以做到同時(shí)對(duì)聚類過(guò)程進(jìn)行優(yōu)化。針對(duì)機(jī)械源信號(hào)個(gè)數(shù)如何判斷估計(jì)的研究課題，WangYu采用模糊c均值聚類自適應(yīng)方法，在欠定條件下通過(guò)設(shè)置歸一化峰度閉包值，消除高斯分量和亞高斯分量來(lái)估計(jì)脈沖信號(hào)源個(gè)數(shù)。（5）針對(duì)不同機(jī)械振動(dòng)信號(hào)的應(yīng)用研究國(guó)防科技大學(xué)陳忠生研究了ICA于直升機(jī)容易磨損的齒輪箱故障領(lǐng)域的應(yīng)用，并取得了不錯(cuò)效果。Alexan